一个基于numpy的轻量级深度学习训练框架，使用与pytorch类似的接口设计，上手容易。.zip

# PlainDL #### 介绍 PlainDL是一种基于numpy的轻量级深度学习训练框架。 目前已经支持自动微分、各种常见的算子（如dense、cnn、rnn、embedding等）、基于数值微分的梯度检测、模型的序列化保存和加载等功能。 #### 特性 使用纯python实现，结构清晰，逻辑简单，有助于熟悉深度学习训练的内部实现细节。接口与pytorch类似，上手容易。 #### 安装 使用pip下载安装 ```javascript pip install plaindl ``` #### 代码结构 ``` ├─example 包括了多个实际的任务例子，包括图像识别、词向量训练、语言模型等 ├─plaindl │ ├─data 数据集加载与读取 │ ├─nn │ │ ├─cv 封装了用于计算机视觉任务的模型 │ │ ├─nlp 封装用于自然语言处理任务的模型 │ │ └─各种用于构建神经网络的组件，包括模型的基类module和各种网络层 │ ├─ops 各种算子的定义 │ ├─optim 优化器 │ ├─utils 工具文件 ``` #### 例子 1. 使用numpy生成一个tensor ```python import numpy as np import plaindl as pdl x = pdl.Tensor(np.random.randn(2,3)) ``` 2. 定义一个简单的神经网络 ```python import plaindl as pdl import plaindl.nn as nn class mlp(nn.Module): def forward(self, inputs, labels): predict = self.layers(inputs) return self.loss_fn(predict, labels) def __init__(self): super(mlp, self).__init__() self.loss_fn = pdl.ops.SoftmaxWithCrossLoss() self.sigmoid = pdl.ops.Sigmoid() self.layers = nn.Sequential({ "linear1": nn.Linear(100), "sigmoid1": self.sigmoid, "linear2": nn.Linear(100), "sigmoid2": self.sigmoid, "linear3": nn.Linear(10)} ) ``` #### 参与贡献 1. Fork 本仓库 2. 新建 Feat_xxx 分支 3. 提交代码 4. 新建 Pull Request